随着无线网络规模的不断扩大，网络业务的日益增长，无线网络优化工作越来越复杂。另外，在无线网络优化中，故障现象和故障原因之间的关系本身就是复杂的、非线性的，这更给无线网络优化人员分析、处理和解决问题带来很大的难度。无线网络的故障类型多种多样，故障之间互不相关，故障信号采集困难，难以建立故障原因与征兆之间的精确数学模型。针对这一问题，本文将贝叶斯网络--数据挖掘的一种方法引入到无线网络故障诊断领域中，并取得了一定的成效。 贝叶斯网络以统计学为基础，是数据挖掘技术的一种方法。本质上贝叶斯网络是一个有向无环图，直观地表述了多个变量之间的依赖关系，通过一个条件概率分布表来描述各个节点之间的关系密切程度。并且，贝叶斯网络可以有效地把先验知识和现有数据结合起来，使得网络的推理结果更加合理。 之所以采用贝叶斯网络来进行无线网络故障诊断，是因为贝叶斯网络在此方面有其突出的优势。第一，贝叶斯网络方法有坚实的理论基础；第二，贝叶斯网络有成熟的概率推理算法；第三，贝叶斯网络更适合于表达网络故障诊断问题；第四，贝叶斯网络具有很强的学习能力。 本文首先描述了无线网络故障诊断的研究现状，指出了无线网络优化工作对数据挖掘方法支持的需要，并以CDMA无线网络为例，介绍了无线网络的主要性能评估指标、常见故障、故障指示参数以及检测方法。其次，介绍了贝叶斯网络的定义、规则等基本理论以及贝叶斯网络建模、学习、推理的基本方法。然后，根据无线网络故障因素的不确定性，提出了基于贝叶斯网络的无线网络诊断模型的设计方案。最后，对基于贝叶斯网络的无线网络故障诊断方法进行了深入的研究和讨论，建立了因果关系贝叶斯网络和简单贝叶斯网络两种故障诊断模型，通过实验证明了贝叶斯网络诊断模型具有较高的诊断准确率和可靠性，并评估比较了两种模型的优劣。在对完备的数据样本进行训练时可采用完备数据的学习方法，然而实际无线网络性能数据通常会存在缺失现象。针对这一问题，本文探讨了Monte-Carlo方法、Gaussian近似算法以及EM算法3种成熟的不完备数据集学习方法，并通过实验比较说明了这些方法的性能与不足。